층Layer
같은 입력을 나눠 받는 뉴런들을 묶은 계산 단계
- 층은 같은 입력을 나눠 받는 뉴런들을 한 묶음으로 세운 계산 단계예요. 신경망은 이 단계를 여러 겹 쌓아 만들어요.
- 한 층의 출력은 그대로 다음 층의 입력이 돼요. 정보는 앞에서 뒤로 한 방향으로 흘러가요.
- 층은 크게 셋으로 나뉘어요. 데이터가 들어오는 입력층, 답이 나오는 출력층, 그 사이에서 실제 계산을 맡는 은닉층이에요.
- 앞쪽 층은 선이나 색 같은 단순한 것을 잡고, 뒤쪽 층으로 갈수록 여러 단순한 것을 조합한 큰 특징을 잡아요.
- 층을 깊게 쌓을수록 복잡한 것을 다룰 수 있지만, 계산이 무거워지고 학습도 어려워져요. 깊이는 공짜가 아니에요.
목차
1비유로 이해하기
회사에서 비품을 사려면 서류 한 장이 여러 사람 손을 거쳐요. 담당자가 먼저 견적과 수량을 정리하고, 팀장이 우리 팀에 정말 필요한지 따져 보고, 부장이 다른 팀 예산과 겹치지 않는지 확인하고, 마지막으로 대표가 회사 전체 사정에 비추어 결정을 내려요.
단계마다 보는 눈이 달라요. 담당자는 숫자와 항목처럼 눈앞의 세부를 보고, 뒤로 갈수록 더 넓은 그림을 봐요. 대표가 부장을 건너뛰고 견적서 항목을 하나하나 들여다보지는 않아요. 앞 단계가 정리해 준 결과만 받아서 그 위에서 판단해요.
이렇게 줄지어 선 결재 단계 하나하나가 층이에요. 단계 안에 여러 사람이 함께 검토하듯, 한 층 안에도 뉴런이 여럿 나란히 서 있어요. 단계를 늘리면 더 꼼꼼해지지만 결재가 끝날 때까지 시간이 더 걸리는 것도 똑같아요.
2자세히 알아보기
한 층은 뉴런을 나란히 세운 줄이에요
한 층 안의 뉴런들은 모두 같은 입력을 받아요. 그런데 뉴런마다 붙어 있는 가중치가 달라서, 같은 값을 보고도 저마다 다른 것에 반응해요. 어떤 뉴런은 특정 방향의 선에 크게 반응하고, 옆 뉴런은 밝기 변화에 반응하는 식이에요.
한 층에 뉴런이 몇 개 들어가는지를 그 층의 너비라고 불러요. 너비가 넓으면 한 단계에서 챙길 수 있는 관점이 많아지고, 좁으면 정보를 그만큼 추려서 넘기게 돼요. 뒤로 갈수록 너비를 좁혀 결론을 모으는 구조를 자주 써요.
정보는 앞에서 뒤로 한 방향으로 흘러요
층 사이에서 값이 오가는 방식은 단순해요. 앞 층 뉴런들이 낸 출력값이 한 줄로 묶여 다음 층 뉴런 전부에게 전달되고, 다음 층은 그 값에 자기 가중치를 곱해 다시 계산해요. 이 과정이 마지막 층까지 이어지면 답 하나가 나와요.
중간 층을 건너뛰는 일은 기본 구조에서는 없어요. 앞 층이 놓친 정보는 뒤 층도 볼 수 없어요. 결재 단계에서 담당자가 빠뜨린 항목을 대표가 알 길이 없는 것과 같아요. 그래서 앞쪽 층이 무엇을 잡아내느냐가 전체 성능을 크게 좌우해요.
층마다 보는 것이 달라져요
이미지를 다루는 모델을 보면 층이 무엇을 잡는지 눈으로 확인할 수 있어요. 첫 층은 밝기가 갑자기 바뀌는 자리에 반응해요. 짧은 선분과 모서리가 여기에 해당해요. 그다음 층은 그 선분들이 모여 만든 동그라미나 격자 무늬에 반응해요.
더 뒤로 가면 바퀴처럼 생긴 덩어리, 창문처럼 생긴 덩어리에 반응하고, 마지막 즈음에는 "자동차 같음"이나 "고양이 같음"에 반응해요. 아무도 각 층에 이런 역할을 지정해 주지 않았어요. 학습을 하다 보니 단순한 것부터 차례로 쌓아 올리는 방식이 저절로 자리 잡은 거예요.
3조금 더 정확하게
층은 물리적인 부품이 아니라 계산을 묶어 부르는 이름이에요. 한 층의 계산은 입력값 묶음에 가중치 표를 곱하고 편향값을 더한 뒤 활성화 함수를 적용하는 것으로, 전체가 행렬 곱 한 번에 처리돼요. 뉴런을 하나씩 순서대로 계산하지 않기 때문에 층 단위로 묶는 편이 그래픽카드에 훨씬 유리해요.
결재 비유가 어긋나는 지점도 있어요. 사람 결재는 앞 단계 결과를 반려해 되돌려 보낼 수 있지만, 기본 신경망에서 값은 되돌아가지 않아요. 되돌아가는 것은 값이 아니라 학습할 때의 오차 신호예요. 또 결재는 사람이 단계를 정하지만, 층 안의 각 뉴런이 무엇을 맡을지는 아무도 정해 주지 않고 학습 과정에서 저절로 갈려요.
층을 세는 방식도 문서마다 달라요. 입력층을 층 수에 넣지 않는 경우가 많고, 값의 크기를 다듬는 장치를 별도 층으로 셀지도 관행에 따라 갈려요. 층 개수만으로 두 모델을 곧바로 비교하기는 어려워요.
4직접 해보기
5흔한 오해
층이 깊을수록 항상 성능이 좋아진다고 생각하기 쉽지만, 실제로는 어느 선을 넘으면 학습이 불안정해지고 데이터가 적을 때는 오히려 나빠져요.
층 하나가 곧 뉴런 하나라고 생각하기 쉽지만, 실제로는 한 층 안에 뉴런이 수백에서 수천 개씩 나란히 들어 있어요.
각 층의 역할을 사람이 정해 준다고 여기기 쉽지만, 실제로는 층이 무엇을 잡을지는 학습 과정에서 저절로 갈려요.
7한 줄 요약
그러니까층은 같은 입력을 나눠 받는 뉴런들을 묶은 계산 단계이고, 이 단계를 여러 겹 쌓아 단순한 특징에서 복잡한 판단까지 차례로 만들어 내요.
잘못된 내용이나 더 좋은 비유가 있나요? 수정 제안 보내기 · 마지막 수정2026-09-02